陈文帅 任志刚 吴宗泽 付敏跃

电子元器件是电子设备的重要基础组成部分,在其生产、回收、焊接与检测中,首先需要对元器件进行正确分类.此外,在焊接和检测元器件的过程中,还需要对极性电子元器件的方向进行准确识别.因此,对电子元器件正确分类的同时能够对极性电子元器件的方向进行识别具有重要的研究意义[1].但随着电子元器件制造工艺的提高与需求的多样化,电子元器件变得更加微型化、多样化,这为电子元器件的分类与检测方向等问题带来了更严峻的挑战.

2012 年之前,图像分类和目标检测一度进入瓶颈期,发展相对停滞.随着计算机视觉的快速发展,深度学习在目标检测方面也取得了巨大的成功.得益于此,深度学习在计算机视觉方向的算法不断更新迭代,在文字识别[2]、医学图像识别[3−4]等方面得到了广泛运用.2012 年,Krizhevsky 等[5]提出了一个称为AlexNet 的深度卷积神经网络(Deep convolutional neural network,DCNN),其在大规模的视觉识别挑战(ImageNet large-scale visual recognition challenge,ILSVRC) 中实现了破纪录的图像分类精度,成为深度学习发展的一个重要里程碑.从此,深度学习进入高速发展阶段,许多计算机视觉应用领域的研究也都集中在深度学习方法上[6],其中包括目标检测及图片背景消减技术[7].

深度学习在目标检测领域的目标检测方法[8]可分为基于候选区域的目标检测方法和基于回归的目标检测算法.基于候选区域的检测方法采用了卷积神经网络代替人工特征的提取[9],常用的候选区域提……